暗光下的多目标追踪
在低光环境中进行准确的物体追踪对于监控和动物行为学应用至关重要。本文研究了这些扭曲对自动物体追踪器的影响,并提出了一种解决方案,通过将去噪和低光增强方法整合到基于变压器的物体追踪系统中,提高追踪性能。实验结果表明,用低光合成数据集训练的提出的追踪器优于原始的 MixFormer 和 Siam R-CNN。
Dec, 2023
本文针对低光环境下目标检测存在的困难,提出了一个高质量大规模的夜间目标检测数据集及其数据集子集的实例级注释,分析了低光条件对于机器认知的困难,并提出了一个用于优化机器认知的图像增强模块以及两种新颖的数据增强技术,实验结果证实该方法在低光数据集上能够持续提升检测性能。
Oct, 2021
提出了一种基于 Transformer 的多模态传感器输入的端到端多目标跟踪算法(MotionTrack),它由基于 Transformer 的数据关联(DA)模块和基于 Transformer 的查询增强模块组成,同时实现了多目标检测(MOD)。MotionTrack 及其变体在 nuScenes 数据集上获得更好的结果(AMOTA 得分为 0.55),与 AB3DMOT、CenterTrack 和概率 3D 卡尔曼滤波器等经典基线模型相比有着更好的表现。
Jun, 2023
基于 CO-DETR 模型,通过模型融合方法实现了接近真实图像物体检测结果。使用多种增强技术生成多组预测结果,最后通过 IoU 阈值引导的聚类聚合方法选择最佳结果。
May, 2024
通过结合多模态的语言驱动特征和视觉特征,在多目标跟踪中提出了一种新的 LG-MOT 框架,它在不同层次上(场景和实例级)明确利用语言信息并且与标准视觉特征结合以获得判别性表示。通过在现有的 MOT 数据集中注释场景和实例级的语言描述,将语言信息编码到高维度嵌入中,并在训练过程中用于引导视觉特征。在三个基准测试集 MOT17、DanceTrack 和 SportsMOT 上进行了广泛实验,结果显示提出的方法在性能上达到了最先进水平,并在舞蹈跟踪测试集上相对于仅使用视觉特征的基线方法具有绝对增益 2.2%。此外,所提出的 LG-MOT 表现出良好的跨领域泛化能力。
Jun, 2024
本文综述了利用深度学习模型解决单摄像头视频的多目标跟踪任务的研究,总结了该任务中的四个主要步骤,并深入探讨了如何在每个步骤中利用深度学习。此外,还提供了对三个 MOTChallenge 数据集中所呈现的工作的完整实验比较,并确定了最优解方法之间的若干相似之处,提出了一些可能的未来研究方向。
Jul, 2019
通过零样本白天 - 夜晚领域自适应方法,我们在不需要真实低光照数据的情况下,提出了一种增强低光物体检测的方法。我们设计了一个反射率表示学习模块,通过仔细设计的光照不变性增强策略,学习了基于 Retinex 的图像不变性。同时,我们引入了一个互换重组相干步骤,通过进行两次顺序图像重组和引入重组相干损失来改进传统 Retinex 图像分解过程。在 ExDark、DARK FACE 和 CODaN 数据集上进行了大量实验,验证了我们方法的强大低光照普适性。
Dec, 2023
引入基于深度学习的运动建模网络(DMM-Net)估算多个物体的运动参数,可用于联合检测和关联,以解决现有方法中深度模型过于依赖检测器、评估结果受检测器影响的问题。通过运用 DMM-Net 构建的 Omni-MOT 数据集,消除了检测器对多目标跟踪性能评估的影响,该方法取得了比传统方法更好的性能,速度更快。
Aug, 2020
本文提出了一种名为 DarkLighter 的低光图像增强器,采用轻量级的 ME-Net 网络,用于提高无人机跟踪器在夜间、低光环境下的鲁棒性。实验证明,DarkLighter 的普适性和可靠性很高,并已在典型的 UAV 系统上实现,夜间场景的实际测试表明其实用性和可靠性。
Jul, 2021
本文提供了一个独特的 low-light 图像数据集 Exclusively Dark dataset 及其注释,并分析了低光照度对物体检测任务的影响,发现其影响深入特征中,不能仅靠 “光照不变性” 解决。作者希望这个数据集及分析能够鼓励不同领域的低光照度研究的发展。
May, 2018